Im Anwendungsfeld der Absorptionsspektroskopie, einem Teilgebiet der Chemometrie, werden bereits viele komplexe mathematische und statistische Methoden angewendet. Die Analyse der Absorptionsspektren ist aufgrund der vielen Einflussgrößen und Interferenzen besonders anspruchsvoll. Simulationen und Modellierung können nur die wichtigsten Einflussparameter berücksichtigen. Dennoch sind Simulationen in Entwicklungsprozessen für Gassensorik unverzichtbar.
Die größte Hürde für den Einzug datengetriebene Algorithmen, wie neuronale Netze, in dieses Anwendungsgebiet sind fehlende Trainingsdaten. Besonders Ground-Truth Werte können nur durch aufwendige Testphasen generiert werden. Daher werden in dieser Arbeit verschiedene Ansätze aus dem Bereich des Transfer-Learnings erforscht. Durch diese sollen Simulationsdaten für datengetriebene, reale Sensoranwendungen nutzbar gemacht werden.
